Résumé
Les technologies d’apprentissage fédéré ont trouvé leurs premières applications avec la publication par Google d’un article concernant les algorithmes intégrés au clavier des téléphones Android. Plutôt que de faire remonter aux serveurs de Google des données concernant les conversations des utilisateurs, les claviers Android effectuent l’entraînement des modèles prédictifs qui permettent de faire de la correction d’orthographe ou de la suggestion sur le téléphone lui-même, en ne faisant remonter que les modifications des modèles prédictifs inférées à partir des données des conversations de l’utilisateur.
En plus des considérations liées à la confidentialité des données sur lesquelles est réalisé l’entraînement des algorithmes, ces techniques peuvent être utiles pour des cas d’usage où les données ne peuvent pas franchir les frontières nationales, ou dans des situations où un consortium d’entreprises souhaiterait co-construire un modèle prédictif sans qu’aucune n’ait à dévoiler d’informations importantes à ses concurrents.
Les technologies d’apprentissage fédéré présentent également un potentiel formidable pour générer de nouvelles découvertes médicales. Aujourd’hui, il n’existe pas de méthode répondant à toutes les contraintes qui s’imposent : un tel système doit avoir une faible bande passante, garantir la confidentialité des données transmises, gérer l’asynchronie entre les nœuds et la non-représentativité des batches. Des technologies d’apprentissage fédéré en pair-à-pair intégrant des communications compressées sont actuellement développées pour libérer le potentiel de l’apprentissage fédéré sur des données médicales.
